学校・塾・大学のAI活用事例

ソマリ語のように話す人の少ない言語ではGoogle翻訳の精度が足りず、人の翻訳者に直してもらう場面が続いていた。

訳した文を学校のCMSへ戻せないため同じ直しを何度も繰り返していた。

1. 学校のサイトと家庭向け文書をLILTに渡して訳す。
2. 機械の訳をそのまま出さず人の翻訳者が手を入れる。
3. 以前のCMSとGoogle翻訳のつなぎ込みをやめた。
4. 翻訳の流れをLILTに一本化する。
5. 担当者が技術の設定を気にせず進められるようにした。

前より多くの文書を訳せるようになった。

家庭へ必要な情報を以前より速く高い品質で届けられるようになった。

契約する学区ごとに学校の年間予定が違い、担当者が各学区のサイトやPDFを探して日付を手で打ち込んでいた。

1学区に15〜20分かかるうえ、休みの日を見落とすと学校が休みの日に授業が組まれてしまう。

1. 取引に結び付いたドメインから学区のカレンダーを探させる
2. 初日と最終日と休みの期間を読み取らせる
3. 予定管理のツールが求める形に整えて出す
4. 取引の学年度を直接読めるベータ機能を使う
5. 出力をそのまま取り込めるCSVにする拡張を自作した

1学区あたり15〜20分かかっていた調べ物が数秒で終わるようになった。

年に約350時間の削減になり、営業担当はウェブでの調べ物をしなくなった。

シャドーイング添削サービスで、アプリの利用者とLINEの友だちをスプレッドシート上で手作業で照合しタグを付けていた。

会員が増えるにつれてこの照合だけで月に約120時間かかっていた。

1. 会員情報とLINE IDをAPI連携で自動でひも付けた
2. LINE登録を条件にしたキャンペーンで連携を促した
3. アプリの行動データをLINE側へ取り込んだ
4. 提出が0回の人だけに応援メッセージを送る
5. 1to1チャットで顧客情報を見ながら答える

月120時間かかっていたタグ付けと顧客管理の工数がほぼゼロになり、LINE登録者の約9割がID連携済みになった。

空いた時間を配信の見直しに回した結果、有料転換率が上がり解約率も下がった。

オンライン資格講座スタディングの受講生が増え、問い合わせも同時に増えていた。

以前使っていた選択肢を選ぶ形のチャットボットでは疑問が解決しきらず、レポートや分析の形も自社に合わなかった。

1. 一問一答で答えるチャットボットに乗り換える
2. 管理画面の使いやすさとFAQの直しやすさで選ぶ
3. 30を超える講座ごとに起動メッセージを変えて出す
4. 毎日25件示される優先の問い合わせを担当者が直す
5. 迷う内容は週1回の打ち合わせで決める

導入前後を比べると、前年比で毎月約15%の問い合わせが減った。

本当に人の対応が必要な相手に時間を回せるようになり、問い合わせるほどでもない潜在的な疑問も見えてきた。

Duolingo English Testの受験者は結果を急ぐ人が多く、問い合わせ対応に速さと正確さが要った。

以前使っていたAIはメールの約30%しか処理できず、チャット対応は1年かけても始められなかった。

1. Decagonをチャットの問い合わせ窓口に入れた
2. FAQ記事を1時間ごとに自動で取り込ませた
3. よくある質問はDecagonに最後まで答えさせる
4. 込み入った案件だけを担当者へ渡す形にした
5. 担当者は回答の中身を確かめる側に回った

チャットで届く問い合わせの80%をDecagonだけで解決できるようになった。

担当者の負担は大きく減り、以前は週の半分を取られていたシステムの保守もほぼ要らなくなった。

言葉の一致で探す従来の検索では、学びたいことから志望校へたどり着けなかった。

総合型・学校推薦型での進学が増え、相談したい高校生を受け止める入り口が足りなかった。

1. 全国約3,500校・13,600学科の情報をCSVで読み込ませた
2. 2026年4月に進学ポータルへ志望校マッチングAIを公開した
3. 話し言葉の入力に関連する学部や学科を返す形にした
4. 回答に画像やURLを入れて学校の詳細ページへつないだ
5. 各校のアドミッションポリシーも読み込ませた

相談の件数は伸び続けている。

相談した高校生のうち約60%がその流れで学校の詳細ページまで見に行くようになった。

コールセンター中心の会社なのに、机の固定電話に縛られて在宅では働けなかった。

入ったばかりの担当者は答えにくい話題が出ると通話が止まった。

1. 通話・留守電・SMS・録音をDialpad1つにまとめた
2. 話す内容や手順をカードに登録し通話中の画面に出す
3. 管理者が進行中の文字起こしと感情の判定を一覧で見る
4. よく出る言葉を登録し長引いた通話の理由を調べた
5. 留守電をボタン1つで同じ内容を残せるようにする

通話の効率が33%上がり、チームには週10時間の余裕が生まれた。

顧客満足度は約89%から97%超になった。

専門的で難しい内容を多くの人へ分かりやすく届けたいが時間が足りなかった。

録音とZoomを組み合わせる作り方では1本に数時間かかり撮り直しも多かった。

1. まず台本を書いて手直しする
2. 台本をHeyGenに入れて動画にする
3. 週の初めに5〜10分の要約動画を出す
4. 難しい概念が出た週は解説動画を1本足す
5. 同じ動画を各言語に訳して配る

1本に数時間かかっていた制作の手間が大きく減り5つの講座を持ちながら動画を出せるようになった。

学生の反応も良く動画を見た人から書籍の話が2件来た。

Webからの申し込みごとに権限付与や案内メール送信を人が手で処理していた。

研修後のアンケートも回ごとの集計だけで、トレーナー個人の傾向や時間による変化を追えなかった。

1. Google WorkspaceとGeminiをつなぎ業務の流れを作り直した
2. 申込受付から権限付与と案内メール送信までを自動処理にした
3. アンケート集計を自動化し個人別や回数別のダッシュボードにまとめた
4. 人が目的を決めAIが処理し人が結果を見る流れで回している
5. うまく動かない工程は作り直し外部向けプログラムの原型にした

申込処理の手作業は100%なくなり、累計150件で合計37.5時間（1件あたり15分）分の作業が消えた。

Web診断の自動化では月100件稼働時に約50時間の削減を見込む。

音楽で英語を教える仕組みは広がっていたが、文字のやり取りだけでは学ぶ人の気持ちが続きにくかった。

もっと人と話しているように感じられる形が欲しかった。

1. 会話AIにD-IDの動画生成APIをつないだ
2. 顔の見えるデジタル教師を作った
3. 話した内容に音声と表情でその場で返す形にした
4. 返すまでの速さを詰めて間が空かないようにした
5. 複数のデジタル教師を並べ学習者に試してもらった

テストでは85%がD-IDで作った教師を選んだ。

紹介の動画を出しただけで2,000人を超える順番待ちができた。

GREやTOEFLなど複数の試験ブランドにSNSの問い合わせが増えた。

何が起きているかを早く見つけて対応の順番を決めるのが難しくなった。

1. Smart Inboxの投稿にAIが感情とテーマの印を付ける
2. 担当者は印を見て急ぐものから手を付ける
3. 同じ話題が増える動きを追い関係チームへ早めに渡す
4. 障害になりそうな相談は担当部署と内容をすり合わせる
5. よく来る質問はSNS投稿やFAQに回して先に答えを置いた

GREの受信件数が前年より64.1%増えても返信は3時間以内の基準を守った。

全社の返信時間は2時間から1時間20分になりPraxisのネガティブな反応は93.3%減った。

研究室の計算資源はワークステーション7台だけで、精度の高いモデルを大きく回せなかった。

そのため狙える創薬のターゲットは年に1つか2つに限られていた。

1. 稼働の前にSlurm用のジョブ設定を書いておく。
2. AIのコーディング支援に実機の設定と突き合わせて確かめさせる。
3. 使えるようになって15分で動作確認を終えた。
4. 760基近いGPUで共折りたたみモデルを動かし化合物を絞り込む。
5. 利用の割り振りはSlurmと11段階の優先度の仕組みで調整する。

1週間で22,000件を超える候補が見つかり、それまでの取り組みを全部合わせた約120件を上回った。

検証で本当に結合すると分かる割合は1〜10%から80〜90%に上がり、1つのプロジェクトでクラウド借用に比べ推定100万ドルを節約した。

After EffectsやCamtasiaで作るやり方では撮影と編集に時間も費用もかかっていた。

言語を増やすたびに工程の大部分をやり直す必要があった。

1. 研修教材の台本をHeyGenに入れる。
2. アバターに台本を読ませて動画にする。
3. 撮影とナレーション収録の工程をなくす。
4. 直しが出たら台本を書き換えて生成し直す。
5. 多言語の版も同じ台本から作る。

200時間以上かかると見ていたマイクロラーニングの案件を約70時間で仕上げ、工数を65〜75%減らした。

短い納期を提案できるようになり、数百本のマイクロ講座を作る契約も取れた。

Rosetta Stoneは英語以外の市場にも広告を広げたかった。

動画広告を人の手で各言語に訳すと時間も費用もかさんだ。

1. 英語で作った広告動画を用意する。
2. HeyGenの動画翻訳でスペイン語やドイツ語の版に変える。
3. 数回の操作で訳した動画を出す。
4. 各言語の版を市場ごとの広告配信に使う。

人の手で訳すより制作の時間と費用が75%減った。

クリック率は13%高くなり英語以外の視聴者の購入率も9%伸びてスペイン語・フランス語・ドイツ語の市場では広告費に対する売上が5倍になった。

文字と音声の翻訳は自動化できていたが、動画は講師の話し方や感情まで移すのが難しかった。

外注すると費用も手間も大きく、世界中の受講者向けに広げられなかった。

1. 英語で撮った講師の動画をHeyGenに通す
2. 声のクローンと口の動きで別の言語版を作る
3. フランス語やスペイン語など複数の言語に展開する
4. 声の調子や間合いをそのまま残す
5. まず1本の動画から試して効果を確かめる

視聴時間が40%伸び、講座の修了率も25%上がった。

撮り直し無しで複数の言語と形式に動画を広げられるようになった。

講座の撮影は店と倉庫が静まる夜11時以降しかできなかった。

複数のスマホで撮った映像をつなぐ作業も重く、手を動かしながら細かい技術を言葉にするのも難しかった。

1. カメラの前で話すのをやめ手元の作業だけを撮る
2. その映像にHeyGenで作った自分のアバターを重ねる
3. アバターに解説を付ける
4. 言い間違えた所は撮り直さずその部分だけ直す
5. 深夜でも思い立ったときに講座を増やす

1時間の講座は編集に2日ほどかかっていたが、今は撮影にかかる時間より短く仕上がる。

25分の講義をアバターで出しても常連の受講生は気づかなかった。

講義の動画を全部自分で録画していたため制作に時間がかかった。

AIの移り変わりが速く前の晩に用意した内容が翌日には古くなることもあった。

1. 台本と画面録画を用意してHeyGenに渡す
2. 自分の顔と声からデジタルツインのアバターを作る
3. アバターに台本を読み上げさせて収録を任せる
4. 本人は教える中身づくりに集中する
5. すでにある講座をHeyGenの翻訳にかけて別の言語版を作る

60時間のAI講座を作る期間が3か月から2週間になり年4本だった制作が月4本に増えた。

受講者は70か国以上に広がり60以上の言語で学んでいる。

体調を崩して撮影も長時間座ることもできなくなり動画での発信が止まった。

もともと10分の動画に何日もかかる作り方で負担が大きかった。

1. 高画質な動画とスタジオ映像を渡して分身を作った。
2. 声はElevenLabsで複製し学習用の音声をそろえた。
3. 25時間以上かけてデータを直し本人に近づけた。
4. 台本と構成は自分で書き表情はアバターに任せる。
5. 編集と仕上げは担当の編集者が手作業で行う。

分身が出演した動画は再生回数が3.8倍になり、CTRは7.8%・平均視聴時間は8分だった。

3日で6本を公開でき、1日30分しか働けない時期も発信と売上を保てた。

講座もSNSの短い動画もウェビナーも、全部自分がカメラの前に立って撮っていた。

照明の準備から編集まで含めると、1本に数時間から数日かかっていた。

1. 台本を自分で書き教え方とずれないように直す。
2. HeyGenで作った自分のアバターに台本を読ませる。
3. アバターを用途ごとに複数作り場面で使い分ける。
4. URLから講座ページを短い紹介動画に変える。
5. 仕上げだけは人の編集者に任せる。

動画作りにかけていた時間が週に15.5時間減った。

UdemyやCourseraを合わせて100万人を超える受講者に届き、複数の言語の動画も出せるようになった。

子どもと防災の話はしていたが、下校中や留守番中に地震が起きた場合を聞かれると答えられなかった。

家庭での防災教育をどう進めればよいか分からなかった。

1. ChatGPTに小学生が命を守って動ける形で教えるよう頼む
2. 家の中・学校・外の場面ごとの行動と禁止事項を短く出させる
3. 家庭でできる練習メニューと家族のルール案も出させる
4. 出てきた中から親が伝える3つを選ぶ
5. 子どもと家を歩きながら中身を確かめる

「あわてない・頭を守る・安全な場所へ」という覚えやすい形に整理でき、親の合図で動く練習や家の中の危ない場所探しを子どもと実際にやれた。

防災リュックの場所を子どもが知らないことや、家族の集合場所を決めていないことにも気づけた。

生成AIに悩みを相談してZaPASSを知ったという顧客が増えていた。

だがGA4の流入データや担当者の手作業の検索では、どんな質問でどう紹介され競合とどう比べられているのかまでつかめなかった。

1. 狙いたい顧客像と検討の流れに沿ったプロンプトを設計する
2. 主なプロンプトごとにメンション率や引用状況と競合との差を計測する
3. AIが返す回答文を読んで紹介のされ方を確かめる
4. 改善レポートを基に記事のリライトやalt属性の修正を人が進める
5. AI検索に出ていないテーマは新しい記事を作り一次情報を発信する

AI検索での見え方が数値と回答文の両方でつかめるようになり、既存のSEO記事約100本のリライトなど次に直す場所が決まった。

今後はメンション率と回答内容の変わり方を追っていく。

採用前の経歴確認で提出書類の点検を人が一つずつ見ていた。

採用担当の手が空かず、候補者を待たせたり確認の基準がぶれたりしていた。

1. 候補者の書類をDocument Automationに読ませた
2. 必要な項目を書類から取り出す
3. 内容の食い違いはAIのエージェントが印を付ける
4. 候補者への連絡を自動で送りやり取りを追う
5. 最後の可否は採用担当が画面で見て承認した

1人あたりの手作業は90分から17.4分になり、81%減った。

1人あたり72.6分が空いて候補者の待ち時間も短くなった。

教材の数が増えるほど、その人の学年や理解度に合うものを選び出すのが難しくなっていた。

世界中の利用者へ同じ仕組みで届ける必要もあった。

1. 7,300の提供元から集めた400万点以上の教材を1か所にまとめる
2. 利用者の目的と理解度をもとに推薦AIが学習の道筋を組み立てる
3. 読んだり見たりするほど記録がたまり次に出す教材が利用者に近づく
4. 教師が集めた教材から読書クラブを作りクラスに合わせて選び直す

ブラジルのサンパウロ州とパラナ州では公立校の360万人が使い、2024年2月までの学習時間は1,310万時間を超えた。

世界の利用者は1億7,000万人を超えている。

面接の管理も教材の評価も人手に頼っていた。

学生一人ひとりへの助言が追いつかず、評価のばらつきも残っていた。

1. 面接の受け答えをAmazon Transcribeで文字にする。
2. その文字をBedrock上のClaudeへ渡し質問作りと評価をさせる。
3. 小テストや模擬試験や学生ごとの教材をAIに作らせる。
4. 紙や手書きの教材はAmazon Textractで読み取る。
5. 出力はガードレールで見張り大事なやり取りは人が確かめる。

面接は自動化で50%速くなり、採用の精度は90%になった。

学生の就職率も20〜30%上がり、AIが作った内容の正確さは95%だった。

教室での学科授業は指導員が準備から事務処理まで抱えていて負担が重かった。

コロナ禍でオンライン学科が認められたが、なりすましや居眠りを防ぐ厳しい要件を満たす仕組みが必要だった。

1. アニメ教材をライブ配信用に変換する
2. CloudFrontとS3で教習生に配信する
3. 受講中の画像を取り顔認識で本人と様子を判定する
4. 指導員が後から画像やログを見て受講の事実を確かめる
5. 受講ログを出力し判定の根拠を調べられるようにする

南福岡自動車学校では学科指導員の工数を7割ほど減らし、空いた時間を技能講習や個別指導に回せるようになった。

サービス開始から1年で100校以上の自動車学校が採用した。

英語の話す力を測るテストの自動採点モデルを、当初はローカルPCで作っていた。

開発者1人が一度に1つの学習しか回せず、開発の詰まりどころになっていた。

1. 受験の出題側と採点側を分け、音声解答をAIが採点する仕組みにした
2. 学習用の受験者データをAWS GlueとAmazon Athenaで取り出した
3. モデル学習をAmazon SageMakerのトレーニングジョブに移した
4. マネージドスポットトレーニングで費用を抑えて学習を回した
5. 受験開始と同時に前処理を走らせ、Amazon SQSで両側をゆるくつないだ

ローカルPCと比べて学習時間は最大4分の1に縮み、学習効率は10倍以上に上がった。

1人の開発者でも上限まで複数の学習を同時に回せるようになった。

会員数が増え、教材を使わない自由会話のレッスンで講師が一人ひとりに合う話題を考える手間が膨らんでいた。

1日に数十レッスンを受け持つ講師からは指導そのものに集中できないという声が出ていた。

1. Amazon Bedrock を土台にAIトピックサジェスト機能を作った
2. 会員の年齢や職業などのプロフィールを渡し話題を出させた
3. 不適切な返答を避けるガードレールを組んだ
4. 既存のPDFからベクトルDBを作りRAGを用意した
5. PoCを1〜2週間で行い実装を1〜2か月で終えた

講師は1レッスンあたり平均3.2回この機能を使い、発音や文法の指導に集中できるようになったという声が届いた。

メール問い合わせの一次応答にも同じ基盤を入れ、人を増やさずに対応件数を120％まで広げた。

100人近い生徒と13講座を抱える舞踊教室で、事務がすべて運営者1人に集まっていた。

クラスごとのメール送信や講座の登録や練習動画の登録に時間が取られ生徒に向き合う時間が削られていた。

1. AssemblyAIの音声認識を土台に音声エージェントSangsを作った
2. 運営者は画面を開かず声で教室の事務を指示する
3. 専門語が混ざるため複数の音声認識を比べてAssemblyAIを選んだ
4. 聞き取った文字をSangsが解釈しメール送信や講座作成を実行する
5. 使うほど専門語の登録が増えて聞き取りの精度が上がる

チャットで操作していたころと比べて事務の処理量が約4倍になり、かかる時間は約10%まで縮んだ。

週6時間の事務が空き音声での指示は約10件中9件が意図どおりに動く。

出願や履修登録や奨学金の締め切り前はアクセスが集中し、PeopleSoftの動きが重くなっていた。

職員は日々のデータベースの手入れに取られ、他の仕事に回せなかった。

1. OCI上のPeopleSoftを自律型のAIデータベースへ移した
2. 移行はZero Downtime Migrationで止めずに進める
3. パッチ当てや性能の調整やバックアップを自動処理に任せた
4. 計算資源と保存領域は必要な分だけ増減させる
5. 移行の設計と実施は外部の支援会社が担当した

学生から見た応答が速くなり、稼働率は99.5%になった。

IT保守の作業は全体で55%減り、重い障害の発生も70%減った。

毎月数十万件の講義をクラウドの文字起こしサービスに流しており、月のコストは6桁ドルまで膨らんでいた。

有機化学や解剖学のような専門用語の多い授業や訛りのある話し方では精度が足りず、その後に作る教材の質まで落ちていた。

1. クラウドの文字起こしをやめNVIDIA Rivaで自前で処理する
2. Parakeetを動かす処理をNIMのコンテナに包んだ
3. AWSとGoogle Cloudの両方で動かせるようにした
4. Nemotronを自社のAPIに組み込み小さいモデルに作り替えた
5. 文字起こしした講義からAI家庭教師や暗記カードを学習者ごとに作る

いちばん大きい推論の処理でコストが約10分の1になった。

音声でのAI指導やその場での学習内容の作り分けができるようになり、毎月数十万件の講義をリアルタイムで文字にしている。

36のキャンパスにまたがる約200のシステムを別々の監視ツールで見ていて、全体をつないで原因を追うのが難しかった。

利用者から先に不具合を知らされることも多かった。

1. インフラやアプリやログやDBの監視をDatadogに寄せた。
2. 指標とトレースとログを1つの画面で突き合わせられるようにした。
3. 社内向けの相談役を作り土台にDatadog MCP Serverを置いた。
4. 開発者の普通の言葉の質問をMCPがDatadogへの問い合わせに直す。
5. 使い始めはSREと運用のチームだけで後に開発チーム全体へ広がった。

調査にかかる時間が80%減り、よくある確認は最大5分かかっていたものが1分未満で終わるようになった。

入学の申込時期に起きた遅さは原因がアプリではなくリクエストを振り分けるWebサーバーだと分かり、増強して復旧できた。

学内には8,000人以上が使う共有クラスタがあったが大規模なAI学習は順番待ちや学外の計算資源に頼るしかなかった。

研究を小さな試作から大きな学習へ広げる道筋もはっきりしていなかった。

1. 全学で使える基盤としてGPU248基のDGX SuperPODを入れた
2. その基盤をMarloweと名付けて全学の研究者に開いた
3. クラスタ全体をBase Command Managerでまとめて管理する
4. 研究責任者が利用を申し込み審査のあと基本の枠から使う
5. 規模が大きくなったら中や大の枠を申請して複数ノードで学習する

研究チームは以前より大きな動画データと大きなモデルを学習できるようになり学習にかかる時間が大きく縮んだ。

長い時間軸の動画ワールドモデルの論文もこの基盤でまとまった。

ネットワークスペシャリスト試験の過去問はPDFで公開されているが、読めても横断して数えられない。

手元の2年分だけを見て、ある領域を対策から外すと決めていた。

1. 1年度ごとに問題冊子と解答例と採点講評の3種を1組にする
2. 令和1・3・4・5・6・7年度の46ファイルを読み込ませた
3. 参考書は混ぜず一次資料だけにそろえて出典をたどれるようにする
4. どの技術が何年度のどの設問で問われたかを出典付きで一覧化させた
5. 採点講評6年度分を読ませて繰り返し落とす箇所を聞いた

DNSは6年度で3回出題されており、対策から外す判断が誤りだと分かった。

さらにSSO・認証連携／PKIが出題回数3位の4回でありながらノートが1本も無く、当日に概念ノートを5本作って穴を埋めた。

授業も手続きもすべてオンラインで進む大学で学生対応が業務時間に縛られていた。

担当者は本人確認やメールアドレス・履修の確認だけで何往復もやり取りしていた。

1. 以前から使っていたZendeskにZendesk AIを足した
2. パスワードの再設定など数の多い依頼をAIが時間帯に関係なく処理する
3. 回答は大学が持つナレッジ記事をもとに作らせた
4. 人へ回すチケットには学生の情報や状況をAIが先に載せる
5. 社会保障番号やカード番号は自動で伏せる設定にした

最初の段階だけで430件を超える学生とのやり取りをAIが受けた。

AIが読み取れた問い合わせは44%で完全に自動で解決した割合は39%伸びた。

900ページを超えるページが部署ごとに作られ、文章の調子がばらばらだった。

受験生は応募の仕方や奨学金といった答えにたどり着けず離れていった。

1. HubSpotのContent Hubで受験生と家族向けのブログを1か所に作る
2. Breezeのアシスタント機能で専用の相棒を1つ用意する
3. ブランドガイドと語り口の文書と入試ページを読み込ませる
4. 参照先を自校のサイトと素材だけに限る
5. 返ってきた行ごとの案を担当者が確かめてから反映する

入試ページの改善を聞くと数秒で行ごとの直し案が返るようになった。

堅い学術的な文章を、受験生に伝わる温かい言い方へ書き直せるようになった。

大人数の学級では一人ひとりに目が届かない。

基礎が身についていないまま次の単元へ進み、つまずきが積み重なる生徒が多かった。

1. WhatsApp上のチューターで授業とClaudeの会話を混ぜる
2. 生徒の自由記述をClaudeが読み中身が合えば正解とする
3. 関係ない質問はRAGで手元の教材を引き学習の話へ戻す
4. 目標を決める会話も任せ子ども向けの安全の決まりをかぶせる
5. 先生向けの機能ではClaudeから授業準備の相談を持ちかける

Roriは15万人を超える生徒に届いた。

オックスフォード大学とJPALの調査では数学の学びに0.3標準偏差の効果が出て、1学年分を超える伸びにあたる。

以前は市販の判定サービスで生徒のメッセージを見ていた。

教育の場の細かい文脈をつかめず誤った検知と見落としが続いた。

1. 生徒が書いたメッセージをAPIでHaiku 4.5へ送る
2. 判定役として自傷や不調の兆しがあるかを答えさせる
3. 使う前にレッドチームで危ない入力を試し安全基準で確かめた
4. 引っかかったメッセージはその場で教師のアプリに知らせる
5. 生徒側には別のツールが相談先の案内を返す

生徒のメッセージをその場で点検する仕組みが動くようになった。

主要な区分で誤った検知が3分の1に減り教師が通知を信じて動けるようになった。

講義のやり方は昔からほとんど変わらず学生一人ひとりの理解度に合わせられなかった。

最初に作った選択式の練習問題は答えを選ぶだけで終わり成績もほとんど伸びなかった。

1. 2025年10月に学生と教職員の全員へClaudeのライセンスを配る。
2. 選択式をやめ用語に学生が答えを打ち込む形へ練習問題を作り直す。
3. 学生が書いた答えをClaudeに採点させる。
4. 判定には教員が授業で実際に話した言葉を使う。
5. どこを詰めればよいかまで学生へ返す。

初回の試験の点数が12点上がり、その科目を15年以上教えてきた中でいちばん良い結果になった。

学校は予算の半分を教員に使っているのに、家庭や仕事と学業を並行する学生ほど個別の指導を受けられない。

一人ひとりに合わせた教え方を大勢へ届ける手立てが無かった。

1. ClaudeをAPIでつないで学習アプリの中身を作らせた
2. 学生が問題を送ると解き方を一段ずつ見せる
3. Study Modeでは家庭教師のように手順を追って説明させる
4. Claude Sonnetに数値を変えると動く図を作らせた
5. 学習ガイドやクイズや引用の直しもClaudeに任せる

動かせる図の生成が数分から数秒に縮まり、120か国以上の学生が使うようになった。

社内でも5日かかっていた作業が1〜2日で終わるようになった。

学区では成績や検査の結果が別々のシステムに入っていた。

生徒の全体像が見えず支援の必要な子を早く見つけられなかった。

1. Amazon Bedrock経由でClaudeを組み込む
2. 複数のシステムから成績や検査の結果を集める
3. 集めたデータを生徒1人ごとのまとまりにする
4. Claudeに要点の整理と気になる傾向の抜き出しをさせる
5. 支援の進め方の案を出させ教員が計画を決める

この仕組みは11州に広がりBoston Public Schoolsなどの学区が使っている。

米国の児童生徒の25%以上に届く規模になった。